CARLA数据标注实战指南：从零搭建自动驾驶标注流水线

1次阅读

共计 1551 个字符，预计需要花费 4 分钟才能阅读完成。

CARLA 仿真平台为自动驾驶算法训练提供了丰富的合成数据，但其多模态传感器数据的标注流程存在效率瓶颈。不同步的传感器时间戳、分散的标注工具链以及人工校验成本，使得标注环节消耗超过算法开发 60% 的时间。本文提供一套从数据采集到质量校验的完整开源解决方案。

ROS Bridge 方案
通过 carla_ros_bridge 包实现传感器数据发布，利用 ROS 的 /clock 话题进行硬件级同步。优势在于可直接复用 ROS 生态的录制工具（rosbag），但需要额外维护 ROS 环境。

CARLA 原生 API 方案
使用 World.tick() 冻结场景状态后批量获取传感器数据，通过 frame_id 字段实现逻辑同步。代码示例：

# 同步获取 RGB 相机和 LiDAR 数据
world.tick()
rgb_data = camera.listen()
lidar_data = lidar.listen()
assert rgb_data.frame == lidar_data.frame  # 帧号校验

时间复杂度：O(1) per sensor
空间复杂度：O(n) for n 个传感器

CVAT
优势：支持视频标注和自动插值，提供 REST API 便于集成
缺点：3D 点云标注功能较弱，需额外安装 COCO 格式插件
Supervisely
优势：内置自动驾驶专用模板，支持点云与图像联动标注
缺点：企业版收费，社区版功能受限
LabelImg
优势：轻量级 2D 标注工具，适合快速验证
缺点：仅支持 Pascal VOC 格式，无团队协作功能

import carla
import numpy as np

def get_bev_projection(points, camera_matrix, world2camera):
    """
    将 3D 点云投影到 BEV 平面
    :param points: (N,3) 格式的 LiDAR 点云
    :param camera_matrix: 3x3 内参矩阵
    :param world2camera: 4x4 外参矩阵
    :return: (N,2) 像素坐标
    """
    hom_points = np.hstack((points, np.ones((points.shape[0], 1))))
    camera_coords = np.dot(world2camera, hom_points.T).T[:, :3]
    uv = np.dot(camera_matrix, camera_coords.T).T
    uv = uv[:, :2] / uv[:, 2:]  # 齐次坐标归一化
    return uv

import matplotlib.pyplot as plt

def show_annotations(image, bboxes):
    fig, ax = plt.subplots(1, figsize=(12, 6))
    ax.imshow(image)
    for (x1, y1, x2, y2, cls) in bboxes:
        ax.add_patch(plt.Rectangle((x1,y1), x2-x1, y2-y1,
                      fill=False, edgecolor='red', linewidth=2))
        ax.text(x1, y1, cls, bbox=dict(facecolor='yellow', alpha=0.5))
    plt.show()